基于区间相似度的模糊时间序列预测算法

？针对现有模糊时间序列预测算法无法适应预测中新关系出现的问题，提出了一种基于区间相似度的模糊时间序列预测（isfts）算法。首先，在模糊理论的基础上，采用基于均值的方法二次划分论域的区间，在论域区间上定义相应模糊集将历史数据模糊化；然后建立三阶模糊逻辑关系并引入逻辑关系相似度的计算公式，计算未来数据变化趋势值得到预测的模糊值；最后对预测模糊值去模糊化得到预测的确定值。由于isfts算法是预测数据变化趋势，克服了目前预测算法的逻辑关系的缺陷。仿真实验结果表明，与同类的预测算法相比，isfts算法预测误差更小，在误差相对比(mape)、绝对误差均值(mae)和均方根误差(rmse)三项指标上均优于同类的对比算法，因此isfts算法在时间序列预测中尤其是大数据量情况下的预测具有更强的适应性。